算力中心供给分析 IV. 算力中心供需研判及未来展望 V. 附录 报告研究背景与主要研究结论 4 报告研究背景 • 纵观算力中心发展历程，移动互联网时代与云计算时代的技术革命催生了集约化、超大规模化的数据中心需求，由此孕育出了算力中心定制批发的业 务模式，并且该业务模式在2015-2020年间实现了快速增长。然而，伴随着移动互联网用户红利见顶、新基建边际效应递减及后疫情时代经济周期波动， 从算力中心的定制批发业务发展现状来看，需求端和供给端均展现出积极的发展态势。 ➢ 需求端，随着 AI 大模型的迅猛发展，市场对算力资源的需求呈现出快速增长。这一增长主要源于互联网大厂、云厂商、短视频厂商等行业头部企业 对高性能、大规模算力资源的投入持续增长，这一趋势推动了算力中心定制批发业务的高速发展。 ➢ 供给端，受益于新一轮技术升级，算力中心市场迎来更多整合契机。头部企业凭借在技术、资金、资源等方面的领先优势，能够更迅速地适应市场 云服务商 注：1.算力中心即数据中心，数据中心自2020年开始逐步向算力中心演变。 UPS电源 柴油发动机 … … 算力中心作为算力资源的关键载体，通过集成高性能计算、大规模存储、高速网络等基础设施，提供提供大规模、 高效率、低成本的算力服务。确保算力资源的集中部署、高效运行。 8 算力中心的定义与概览 中央监控 电源配电柜 消防减压系统 机柜及其附件 气体灭火系统 UPS不间断电

法的工程化优化大幅降低了部署成本。近期采用大规模 RL 训练方法的阿里 QwQ-32B 等模型也在缩小规模的同时达到 了 DeepSeek R1 671B 的应用效果，有望进一步催生银行落地应用。 核心观点 DeepSeek 开源、低成本、强推 理 助推银行业应用 1 n DeepSeek 模型在 Post-Train 阶段大规模应用了强化学习方法。 R1 使用了冷启动 + 大规模强化学习方法， R1-Zero R1-Zero 版 本模 型使用纯强化学习方法。随训练过程推进，模型展现出了推理能力的扩展（高准确率和 long-CoT 能力涌现等） 。 性能：后训练阶段大规模应用强化学习，表现推理能力扩展 资料来源： DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning ，中泰证券研究所 资料来源： 通过优化训练方法显著降低了算力消耗，使其在大规模数据处理中的成本更具优势。 它在 MoE 架构的基础上， 通过多头潜注意力机制（ Multi-Head Latent Attention ， MLA ）进行优化；在后训练阶段采用冷启动 + 大规模强化学习 方 式，不再使用传统 SFT 做大规模监督微调， 甚至绕过了一些 CUDA ，采用 PTX 汇编来提升能力；在推理场景下通过 大规模跨节点专家并行（ Expert

. . . 15 1.4 热点方向三：智能化云运维、可信安全与能效优化 . . . . . . . . . . . . . . . . . . . . . . . . 16 1.4.1 面向大规模集群的自动化运维与可靠性工程 . . . . . . . . . . . . . . . . . . . . . . . 17 1.4.2 云计算环境下的基础设施安全 . . . . . . . 的企业软件应用将包含智能体。相比于 2024 年 未产生智能体的阶段，智能体在运营商、制造业、金融服务等领域的规模化应用，直接拉动了企业对高 4 CHAPTER 1. 面向下一代云计算的研究 性能 GPU 以及大规模算力集群的需求，智能计算成为 IaaS 增长最快的份额。同时，智能体训练、推理的 持续迭代需要自动化的数据管理、模型开发以及部署测试，促使企业进一步依赖云厂商提供的 AI PaaS、 MLOps、向量数据库、MaaS CPU、Ascend 910C NPU 及高速统一总线 UB（Unified Bus）网络，构建了总算力达 300PFLOPs 的超大规模 AI 云底座。NVIDIA H200 GPU 已在 Amazon、Google Cloud 和 Microsoft Azure 大规模部署，搭 载 HBM3e 显存，带宽达 4.8TB/s，配合 GB200 Superchip 与 NVLink Switch 系统，在千卡集群中实现通信

识库驱动决策， 受限于知识获取 成本与规模瓶颈。 以符号逻辑为 核心，依赖人工 规则与推理系统 ( 如 专家系统 ), 强解 释性但泛化 能力 弱。 基于海量数据与 大规模预训练； 代表算法： DeepSeek 系列 Qwen 系列 GPT 系列 通过模型组合提升 预测精度； 代表算法： 随机森林 梯度提升决策树 神经网络 ) 深度学习机器学习人工智 能 于注意力机制的 Transformer 架构改变了自然语言处理 的范式，使大规模预训练成为可能。近年来，大模型凭借超大规模参数和海量数据学习，在多模态学习、 推理和通用人工智能方向取得重要进展，为人工智能的发展开启了新的阶段。 大模型 模态扩展 文本 检索增强 图像 / 视频 大规模基础模型 音频 电力大模型 医疗大模型。 Transformer 架构 注意力机制 自研电力大模型意义重大 ( 数据 层 面 ) 文本数据 电气信号 图像与视频 研发 电力通用大模型开发需要大规模、高质量、多维度的数据集 数据构建难度大 电力数据获取难度高、质量 差 异大、覆盖模态多，因而数 据 集构建难度大 与通用数据差异大 模型训练数据与电力任务场 景数据差异大；难以直接 应

党的二十届四中全会颁布《中共中央 关于制定国民经济和社会发展第十五个五年规划的建议》 ，其中明确指出 “打造新兴支柱产业 ， 加快低空经济等 战略性新兴产业集群发展 ， 催生数个万亿元级甚至更 大规模的市场”。 低空智能感知体系深化赋能经济转型 重大需求 低空经济产业已成为国家战略支柱产业 ，雄安先行先试标 杆 《中共中央关于制定国民经济和社会发展第十五个 五年规划的建议》 《关于支持低空经济产业发展的若干措施》 VisDrone 竞 赛 全球包括卡耐基梅隆大学等 在内的 2000+ 参赛队伍 5000+ 篇论文使用并引用 > 关键平台： 建立了复杂环境协同感知数据平台 （ TPAMI 2022 ） 构建了大规模多源、多模态、多任务、非完备复杂环境协同感知数据平 台 VisDrone ，覆盖单机和多机协同感知任务。 国内外广泛使用的无人机视觉基准数据平台 DroneCrowd-TJU 构建世界上规模最大无人机视觉数据平台 VisDrone 人工智能科技进步奖一等 奖 从被动感知到自主协同 ，构建支撑具身智能体与集群协同进化的下一代数据基座 感 - 策 - 控一体化构建 仿真－物理具身数据基座 大规模低空数据平台 支撑无人机全天候感知 多智能体自主交互 建立集群协同数据基准 视觉－语言－导航 (VLN) 多模态动态感知 多任务协同学习 视觉－语言－动作 (VLA) 多智能体社会化交互

高功耗挑战的液冷散热 技术以及模块化架构成为重要发展趋势，ODM厂商代表如浪潮、纬创、富士康与品牌商 戴尔、HPE、联想、华为、新华三之间竞争激烈。海量数据吞吐需求依赖高速存储技 术，而保障大规模算力集群高效协同的关键则在于高速互联网络如InfiniBand和RoCE， 以及持续升级的光通信技术。 全球重点区域算力竞争态势分析报告（2025年） 9 中游算力服务与软件平台层扮演着连接硬件与应用的桥梁角色。操作系统层面，从 了GPU计算的软件生态；开源社区如Hugging Face则提供了丰富的模型库与工具集，加速 了AI应用落地。数据服务与管理、中间件与平台软件等环节也发挥了重要的辅助和连接 作用。数据中心作为算力的物理承载中心，其发展呈现出超大规模化、绿色低碳化、智 能化运维以及为满足低延迟需求而部署边缘节点的显著趋势，绿色低碳化具体表现为广 泛应用液冷和自然冷却技术，并积极利用可再生能源。中国的“东数西算”战略是推动 数据中心区域协同 全球重点区域算力竞争态势分析报告（2025年） 12 全球重点区域算力竞争态势分析报告（2025年） 13 全球重点区域算力竞争态势分析报告（2025年） 13 长的核心动力。自2022年ChatGPT问世以来，大规模模型的训练与推理对计算资源提出 了前所未有的高要求。据国际数据公司（IDC）预测，全球AI计算市场规模将从2022年 的195.0亿美元增长至2026年的346.6亿美元。其中，生成式AI计算市场规模将从8

信息化时代 新质生产力时代 动力来源 工业经济 数字经济 技术巨变 消费巨变 中小制造企业现在处于工业经济向数字经济转型的大潮 数字经济 大规模服务 工业经济 大规模生产 注：数字经济的大规模服务来源于得到王煜全老师 -2024-K-00371151), 欢迎转载，欢迎交流 13 大规模生产 关 注 “ 技 术 产 品 ” 1 、大规模生产 ( 大规模定制 ) 部件厂商 零部件设备厂商 生产厂商 设计商 生产商 销售商 服务商 3 、生产服务业 ( 项目制造 ) 新思维：大规模服务引发制造产业链的三个并行方向是数字化转型的方向 金蝶 大规模服务 关注“用户价值” 2 、消费服务业 (

大型储能电源系统 其它 二 、储能关键技术及其应用 2 、储能电池选型 二 、储能关键技术及其应用 3 、大规模储能系统集成化关键技术 储能系统监控和保 护技术 储能电池大容量 集成技术 大规模储能系统 集成技术 储能系统 EMS 二 、储能关键技术及其应用 3 、大规模储能系统集成化关键技术 大容量储能电池集成技术 储能系统监 控和保护技 术 EMS BMS BCU 将对电力系统的形态产生重大冲击； ◆ 电池成本的降低、电池能量密度、安全性和寿命的提升，储能将迎来更大规模的应用。 五、展望 储能重塑未来 - 未来电池储能技术的应用前景和集成模式 ◆ 安全措施：大规模储能系统的设计、集成、安装、运行、监控等生产运行全过程；重视不同类型储能安全的边界问题。 ◆ 控制架构：站域集中管理与子系统分区自制相结合的大规模储能控制架构技术。 ◆ 实 时 监 测 ：利用大数据、云计算、物联网

用服务器层、数 据资源层和底层软硬件基础；另有两个子系统:标准系统和安全保障系统。把与实际业务有关 的模块集中在应用表示层，把数据处理有关的放在数据处理层，由并行计算环境层提供海量 的存储与大规模计算，数据接口系统作为平台统一的数据来源，及输出接口；运行保障子系 统给整个平台提供不间断的运行维护及安全保障。 生态环境智慧环保大数据云平台系统架构设计 4.2 总体构成 4.2.1 数据接口 个其它应用的基础数据，并提供相关的计算模型进行反向耦合计算。 4.2.4 基础软硬件层 基础软硬件层是大数据平台的基础，其中并行计算部分是核心驱动层，其基础计算能力直 接影响上层的运行效率与运行速度。并行计算环境层为上层提供大规模计算与存储服务，并 行计算环境由工作流协调处理系统，并行式计算系统.数据仓库，并行式文件系统组成；并行 计算环境层由一个服务器集群组成，集群规模随着平台的计算需求进行扩充。 4.3 平台建设关键技术 从以上大数据的特性分析可知，我们生态环境的海量数据价值发现的核心前提条件是： 大规模的基础运算能力与海量的存储能力，高效的数据价值提取算法。 在分布式/并行式计算系统没有出现之前，大规模的 计算资源 只能由超级计算机来提供， 这是一种昂贵的资源，把大部分中小团队拒之门外；约 2006 年云计算技术开始发芽，至 2010 前左右随着云计算技术的发展成熟，大规模分布式/并行式计算系统也得到了发展壮 大，并快速成熟

Quantum Computing)：使用 单光子 作为量子比特，通过光学器 件（如分束器、干涉仪、波导）进行操控；可在 常温下工作 、光子间不易相互干扰、 抗噪性强、适合量子通信与采样问题；需要大规模光路集成、工程挑战大 • 硅半导体量子计算 (Silicon-based Quantum Computing) ：利用半导体中电子或原子核 的 自旋态（Spin-up / Spin-down） 作为量子比特；可利用现有 计算模型 内在的量子并行性（一个量子态可 表示多个状态） 、干涉与幅度放大 显式的硬件级数据并行（多核 心同时处理数据） 并行性来源 利用量子态演化，通过量子门操作 与测量获取结果 大规模线程并行，适合规则数 据并行任务（如矩阵运算） 计算方式 通过量子叠加态一次处理多个可能 性，某些问题有指数级/多项式加速 潜力 通过 GPU 的数千个核心同时 做相同或相似计算 加速原理 学模拟（规则并行任务） 适用问题类型 潜在的 指数级加速 （特定问题）、 全新计算范式 高吞吐量、擅长大规模数值并 行计算 优势 技术不成熟、易受干扰、目前规模 小、算法有限、需低温环境 不擅长非规则、逻辑复杂的任 务，串行瓶颈依然存在 局限 前沿技术，处于实验与原型阶段， 尚未大规模商用 成熟，特别在 AI/ML 训练等领 域广泛使用 发展阶段  密码学：Shor算法，针对大数分解、离散对数等问题，相比